友情提示：全文共计6000字，阅读需要15分钟。
在开始聊大数据这事儿前，先讲个故事：
一位牧羊人赶着羊群在草原上走，迎面飞来一架直升机，降落在牧羊人面前，从上面下来一西装革履，带着墨镜，手机拿着卫星电话、带着通话耳麦的年轻人，对牧羊人说：“先生，我可以为您服务，我将告诉您的这群羊有多少头，作为酬劳您需要给我一头羊”。
牧羊人还未作答，青年人就拿出手提电脑开始工作，他用笔记本电脑连接无线网，链接上NASA的内部网络，调动轨道卫星，通过遥感成像技术再通过软件进行数据分析，数十分钟后，年轻人再次走到牧羊人面前：“先生，您的羊群共有163头羊。”说完后，他抱起一只羊就要走。
牧羊人这时叫住了年轻人：“年轻人，如果我能猜出你就职的公司，你可不可以把酬劳还给我？”
“可以”，年轻人回答。
“你是麦肯锡公司的”，牧羊人说。
年轻人很惊讶，“您怎么知道？” 。
牧羊人笑了：“有三个理由足以让我知道”。
第一：我没有请你，你自己就找上门来。
第二：你告诉了我一个我早已知道的东西，还要向我收费。
第三：你要抱走的根本不是羊，而是一只牧羊犬。
数据最早来自哪里？早至人类出现之时，在没有存储电子设备概念的时代，销售统计、广告调研，财务报表这些都是数据。各国的选举投票数以十万、百万级，可口可乐、宝洁公司等这些跨国快消公司，财务、销售等相关的数据在19世纪80年代恐怕就已经是千万级、上亿规模的量级。你重视或忽略，使用或闲置，数据就在那，可能熟悉到你都忘记了他们的存在。
数据挖掘能力
是“后券商时代”的核心能力
这几年，证券公司都逐步意识到大数据在企业战略中的作用和地位，并在大数据应用领域快速布局。但是各家由于能力和禀赋的差异，在大数据应用上展现出了巨大的差异。
证券行业的数据大致分两种：“封在盒子里的数据”和“肆意放逐的数据”。由于监管原因，与客户相关的交易数据、账户信息等都储存在极端封闭的交易柜台中。数据安全了，但缺少了竞争挖掘的土壤。那些“肆意放逐”的数据则是相对于交易柜台外的数据，在我看来，这些数据肆意流淌在券商内部的各个系统，但由于受监管制约，大多数不能被第三方对接，也没有得到证券公司足够的重视并加以利用，所以证券公司的数据让很多互联网公司艳羡、惋惜。
在一个处于封闭状态的环境中，没有外来竞争者，布局数据挖掘的能力可能是“后券商时代”科技竞争能力的核心。但我们会永远封闭着吗？
转化服务意识，向互联网企业学习
证券公司除各部门的核心业务系统外，支持内部协同的系统少。这意味着在证券行业，有三个问题需要处理：数据的协同性、数据的高效性、散落数据的集成。
对线下营业部来说，开展业务需要系统支持来提高有效客户转化力。但券商业务“以利益驱动为主的惯性”可能还会持续一段时间。转化服务意识，向互联网企业学习，从转变服务视线开始，既要关注开户成功的（10%）客户，也需要关注那些没有开户的（90%）客户。
没有一种数据构建方案适合全部券商
没有一种数据构建方案适合全部券商，千万量级客户的头部券商和几十万级的中小券商差别巨大。头部券商考核核心已转向APP上用户流失率，中小券商考虑的是增加APP使用率，如果分别以“流失率”、“使用率”为目标的话，产品设计、运营均有不同的实施方案，数据支持也不相同。
中小券商以增加APP使用率为KPI，同时缺少资金沉淀，承受的销售压力大。其本能的着眼于产品销售，APP任务是“销售”而非“服务”，难点在于如何将产品和客户匹配。对中小券商而言，如果APP没有实现匹配销售，可能是走了弯路。
中小券商借助系统实现匹配性销售的本质不是提高了客户的服务质量，“客户-产品”的匹配提高了客户的自主购买的便利性、积极性，也会存在客户被“诱导”购买了某产品的设计意图。“诱导”这种方式不宜久，更不可作为常态化的手段，水能载舟亦会覆舟，诸如“特定客户专享”、“前100位客户专享高收益”的心机，客户迟早会知道自己被套路，今天的客户是被各券商交叉服务的，一时不爽可以随时取消“被玩”。
大券商客户多，忧患的是客户流失问题，不能仅停留在上述销售层面，提升“服务”和“体验”是必然的选择，至于是“财富管理服务”还是“VIP指导”并不重要。建设信息化系统、建设大数据系统，对普通客户起到的核心作用是——在维护大规模客户“基本满意”这件事儿上“节约成本”，这是大券商建设大数据平台、整合内部系统、提供服务的阶段性宗旨。
用户画像为数据应用搭建基础
券商大数据平台的建设和互联网行业类似，需要有一个或多个应用场景。金融类大数据成功应用的场景包括：反欺诈、风控管理、差异化营销、用户图谱、投资者教育、金融舆情监控、智能投资等。这些场景单个或组合运用在银行、P2P、基金、支付、证券等各领域。
以中小券商基本的客户画像为例，我们用一张图来看下行业的用户画像，下图中红色区域是中小区域券商的“短视盲区”。
中小券商客户画像维度框架不复杂而且和头部券商有区别。用传统APP画像概念去设计，可能出现APP的大数据“错觉导向”偏差。原因有二：
原因一、“我们的APP”占总体用户比例少，适合反映交易活跃的信息，我们得到的是20～30%的客户分析结果，另外70～80%的非活跃户被屏蔽在盲区。
原因二、我们排名靠前的营业部（互联网营业部除外）存活和收益不依赖线上，即使不用数据分析，线下机构也了解这个群体特殊性和行为。此时往往会犯“将数据获取完全依赖于线上埋点”的错误，如瞎子摸象般抛弃了营业部直面的客户信息。而且往往做线上活动时，因为借助第三方系统反而建立不起来应有的线上客户画像分析。
数据标签是“人被虚拟世界识别”的基础
数据Data时代，客户画像是为了让人去识别人。大数据Big Data时代，客户画像是为了让机器去识别人。数据标签是构建人被虚拟世界识别的基础，在这个逻辑中，用户画像标签就要有层级的进行建模。
中小券商APP的客户使用时长往往比较短，是我们这类券商亟待解决的问题。该有的功能都有了，为何用户依旧驻留短、频次低，这应该引起公司领导的足够关注！
证券公司应该正确看待自己的体量和发展阶段，量体裁衣，才能找到自己的大数据构建方法。脱离自身实际情况会导致内部埋怨、追责，盲目效仿巨头容易被高额的投入所拖垮。在数据的世界里，方向、基础、渐进是没有捷径可循的。对我们来说，时间、机会、正确的人、正确的方法才是最重要的。
大数据系统不是统计分析系统
一些券商主导建设的大数据系统，变成了统计分析系统。统计营业部开户数、交易笔数、交易金额等，也有更进一步统计到了客户流失率排名、单笔交易额排名、账户持仓盈亏情况等。虽然有统计结果，但能否给出分析结论？诸如“近期交易量下滑导致业绩营收不佳”这样的结果肯定不能作为结论，是什么原因导致的？解决方案是什么？
比如某一个区域营业部开户量，从规律波动到某个区间突然下降趋势明显。其实即使没有大数据，营业部工作人员也能判断出“下降ing的结论”。如果这样的情况下，大数据分析不出真实原因也给不出解决方案，这样的大数据系统有什么作用？数据统计在CRM里、柜台里都可直接实现，投入巨大资金展示了一个已经知道的问题，却得不到答案和对策，对公司决策者而言则是一种隐忍的考验。
证券行业大数据系统要基于交易柜台
证券行业大数据系统要基于交易柜台，柜台存储了业务相关的所有数据，这个层面上的数据深度足够，而出“聋哑问题”原因在数据的广度和关联性上。数据— 归类— 统计— 分析— 智能，这是清晰的大数据逻辑演进的过程，关键性的阶段在于“分析”和“智能”，依赖的就是数据广度和关联性，
比如淘宝、JD等电商商品推荐，当你购买了婴儿奶粉，它会推送给你奶瓶、奶嘴以及低幼玩具、保险等。你在淘宝、京东导购信息其实是基于你的购物车的，这些都是数据的关联性起作用。
证券公司大数据主要依托于柜台，但经常忽视了周围数据，例如不通过二次电话回访，我们是无法判断开户中断的最大原因；例如我们无法获知大暴雨、下雪对客户交易产生的影响有多少；例如某一个区域营业部开户量从规律波动到某一天或两三天突然下降趋势明显。分析不出原因是因为数据建设不完全，且不说横向对比该区域其他券商开户或交易情况，获取该区域客户舆情、社会活动、可能分流资金的金融产品等监控关联也都没有，大部分券商甚至都不会去对这些客户的交易行为进行持续分析，那就更谈不上预判了。
证券行业大数据建设的四个要点
第一、券商大数据构建不仅仅是技术活，需要在“懂业务”人的参与下完成，如阿里“城市大脑”要依靠交通部门、市政部门；Google的GFT需要医疗专家优化算法。
第二、券商大数据的构建必须以“目的”为导向，应避免掉进“统计”这类错误的坑。在没拥有建设“一个可以给结论的大数据系统”的有效方案时，改造或者优化现有的“统计系统”，将会节省很大一部分费用。
第三、券商大数据并不不意味着都是柜台数字，也包括阴天下雨、红色绿色、孩子学校、包包品牌等等。
第四、券商大数据，不是越大意味着越多，越小意味着越少，数据关联性强弱是否正确？数据噪音干扰控制的是否合理？精准的小数据价值要远大于无用的大数据。
从KFC看券商营业部选址
KFC，初期进入中国时采用了两种经营模式，大城市采用直营，小城市采用合作，原因“和数据有关”。肯德基进入中国市场第一要务是占领市场，作为最早进入国内的美式快餐世界龙头之一，闪电般的复制、发展主因有三：
1、食品味蕾配方研发的科技化
2、生产、供应的标准化、工业化
3、拥有一套复杂有效的餐厅选址系统
以上排序不能错，1和2与本话题无关，我们直接说3。KFC餐厅选址就是基于数据化，在发展初期时甚至会联合当地政府相关部门调研数据，即便如此，KFC仍坚持校验这些提供出来的信息，在那个互联网、电脑不普及的时代，派出大量人员去做街头调研，有意思的是，被调研者可能并不清楚是肯德基在做调研，甚至都不知道是家餐饮企业（与之类似的还有星巴克）。
线上营业部这次不予讨论，我例举下三种典型的券商线下营业部来感受下“大规模战场下的局部战情”。
类型一：定向区域型营业部
某券商C营业部在云南某地最大的批发市场附近，营业部客户中80%来自批发市场小商户。
（云南某地最大的小商品批发市场）
C营业部主要服务方圆几公里内的客户，可以精准到这个批发市场中。中小券商的此类线下营业部对这类“生意人客户群体”的性别、年纪、归属地等常规客户画像兴趣不大，那大数据如何给C营业部带来更实际的展业支持？如何去了解小商户关心的是什么？
类型二：线下活跃型营业部
某券商B营业部，该营业部最大的优势是行动力强。一年下来开展大大小小近百场活动，营业部赖以生存的是不断通过活动、宣传进行线下获客。
沉浸在线下的营业部携带着大量客户信息和数据，客户和营业部人员沟通便利，大数据的客户画像信息，营业部人员无需大数据就可以获取到，甚至面对面比大数据更了解客户，那么大数据于他们的优势在哪里？如何让他们事半功倍，不如此“辛苦”？
（B营业部线下活动）
类型三：巷战煎熬型营业部
上海浦东新区的浦东大道和其他金融热区一样聚集着大量金融机构，某券商的S营业部就在此地。这样的金融热区优点：位置好、高净值客户聚集、直接获客线下渠道广袤，以此为中心3公里直径区域内有71家银行网点，房价超过100000/平米（18年二手房）。
（上海浦东新区的金融大厦）
然而S营业部经营却异常艰难，人员壮大不起来，经营资金缺口大，综合性业务人员稀缺等等，原因是金融热区同时伴有缺点：地价高、薪资高、房租高、空间少。以此为中心3公里半径区域内有118家同业营业部，据我不完全统计，这一地区私募基金管理人就超过2200人，地区平均年薪超过13万/人（17年）。这类营业部面对的是白热化惨烈的“短兵相接巷战”，大数据如何让该营业部“有质量”的生存下去？
在思考这些问题时候，我们再从华泰的年报中去洞悉榜样的方向。
华泰的大数据平台给我们的启示
华泰证券在建立大数据平台时，提出“3个问题+2个需求”
问题1：成百上千个独立系统数据共享困难
问题2：系统建设厂家不同，加上后续自建系统，数据定义标准不同、混乱，清洗耗时费力
问题3：数据仓储传统，数据价值挖掘深度受限
需求1：高扩展性
需求2：高开放性
华泰的3个问题不一定是各家券商都存在的问题，但2个需求是大家现在或将来一定要解决的。因此对绝大多数券商的大数据系统建设而言，效仿华泰并不明智甚至是不理智。
不论从信息化系统建设角度上、销售业务扩张还是大数据系统上，现在券商已经分了多个梯队。虽然现在多数券商以“借鉴的名义”在三方技术帮助下完成了APP 建设，但真正结合自身特点，摸到了大数据建设的脉门的有多少却不得而知，依我看多数是完成了APP 后再无后续，但我相信并非不想做。
华泰2018年年报数据显示，客户数近1300万客户，其交易APP累计下载量达4569.71万，月活用户达712.88万。在过去的一年中，华泰直接投入资金超10亿+740位技术人才，才获得如此效果，中小券商复制根本不现实。从华泰的大数据平台的建设需求来看，其与很多同业的区别在于“言行如一”。他是为千万级别用户的高活跃度的要求，才需要也必须去建设大数据平台。如果逻辑先后顺序倒过来未必正确，未必有了大数据平台就会获取大量用户。
这几年券商赚钱不易，对我们而言时间是现在最大的成本，也是最严重的风险。大数据不是什么新鲜的东西，自古有之，不必要的坑不要进，不必要的忽悠不要听，形而上学的主导人不要用。
最后用一句话来结束，在我们这个行业，目前没有科技引导业务，仍是科技服务业务，券商大数据的一切皆为赚钱而生，不要让别人家“智能”在您家“活”成“人工”的模样。
扫描下方二维码
上证券食堂
刷券业朋友圈
